The previous discussion only estima

The previous discussion only estimates the first non-Gaussian
vector. One way to compute the other higher order vectors
is following what stochastic gradient ascent (SGA) does:
start with a set of orthonormalized vectors, update them using
the suggested iteration step, and recover the orthogonality
using Gram-Schmidt orthonormalization (GSO). For realtime
online computation, avoiding time-consuming GSO is
needed. Further, the non-Gaussian vectors should be orthogonal
to each other in order to ensure the independency. So,
it helps to generate “observations” only in a complementary
space for the computation of the higher order eigenvectors.
For example, to compute the second order non-Gaussian
vector, first the data is subtracted from its projection on the
estimated first-order eigenvector v1(n), as shown in:

ผลลัพธ์ (ไทย) 1:

การสนทนาก่อนหน้านี้ที่แรกไม่-Gaussian ประเมินเท่านั้นแบบเวกเตอร์ วิธีการคำนวณแบบอื่น ๆ สูงสั่งเวกเตอร์หนึ่งอยู่ต่อไม่อะไรขึ้นไล่ระดับแบบเฟ้นสุ่ม (SGA):เริ่มต้น ด้วยชุด orthonormalized เวกเตอร์ การปรับปรุงให้ใช้ขั้นตอนที่แนะนำเกิดซ้ำ และการกู้คืนที่ orthogonalityใช้ orthonormalization กรัมชมิดท์ (GSO) สำหรับเรียลไทม์หลีกเลี่ยงเวลา GSO จะคำนวณออนไลน์ต้องการ เพิ่มเติม เวกเตอร์ไม่ใช่ Gaussian ควร orthogonalกันเพื่อให้ independency ที่ ดังนั้นจะช่วยสร้าง "ข้อสังเกต" ในการเสริมพื้นที่สำหรับการคำนวณลักษณะเฉพาะสั่งสูงตัวอย่าง การคำนวณ ที่สองสั่งไม่ Gaussianเวกเตอร์ แรกข้อมูลลบของโปรเจคเตอร์ในตัวประเมินใบสั่งแรก eigenvector v1(n) ดังที่แสดงใน:

ผลลัพธ์ (ไทย) 2:

การอภิปรายก่อนหน้านี้เพียงประมาณการที่ไม่เสียนแรกเวกเตอร์ วิธีหนึ่งในการคำนวณเวกเตอร์ที่ดีกว่าคนอื่น ๆ
กำลังติดตามสิ่งที่ทางขึ้นลาดสุ่ม (SGA) ไม่:
เริ่มต้นด้วยชุดของเวกเตอร์ orthonormalized
การปรับปรุงโดยใช้ขั้นตอนการทำซ้ำที่แนะนำและกู้คืนตั้งฉากใช้แกรมชมิดท์
orthonormalization (GSO) เรียลไทม์สำหรับการคำนวณออนไลน์หลีกเลี่ยงการใช้เวลานาน GSO เป็นสิ่งจำเป็น นอกจากนี้เวกเตอร์ที่ไม่ควรจะเสียนตั้งฉากกับแต่ละอื่น ๆ เพื่อให้แน่ใจว่าเป็นอิสระ ดังนั้นมันจะช่วยในการสร้าง "ข้อสังเกต" เฉพาะในเสริมพื้นที่ในการคำนวณของการสั่งซื้อที่สูงขึ้น eigenvectors ได้. ตัวอย่างเช่นในการคำนวณลำดับที่สองที่ไม่เสียนเวกเตอร์แรกที่ข้อมูลจะถูกหักออกจากการฉายบนประมาณลำดับแรกวิคเตอร์ v1 (n) ดังแสดงใน:

ผลลัพธ์ (ไทย) 3:

การสนทนาก่อนหน้าเพียงประมาณการครั้งแรกไม่เสียน
เวกเตอร์ วิธีหนึ่งที่จะหาอื่นๆ เพื่อติดตามสิ่งที่สีเวกเตอร์
สุ่มขึ้นมา ( SGA ) :
เริ่มต้นด้วยชุดของ orthonormalized เวกเตอร์ แก้ไขโดยใช้
แนะนำซ้ำขั้นตอนและกู้คืน orthogonality
ใช้กรัม Schmidt orthonormalization ( gso ) สำหรับการคำนวณออนไลน์เรียลไทม์
,หลีกเลี่ยงการใช้เวลานาน gso คือ
ต้องการ เพิ่มเติม ไม่ควร
เสียนเวกเตอร์ตั้งฉากกับแต่ละอื่น ๆเพื่อให้มั่นใจว่า รัฐอิสระ ดังนั้น ,
มันช่วยสร้าง " ตัวอย่าง " ในพื้นที่ประกอบ
สำหรับการคำนวณการเสนอลำดับสูงกว่า
ตัวอย่าง เพื่อหาอันดับไม่เสียน
เวกเตอร์แรก ข้อมูลจะถูกลบออกจากประมาณการบน
ประมาณเพื่อเวกเตอร์ลักษณะเฉพาะ v1 n ) ดังแสดง :